Cohere Transcribe (03-2026)とは？
Cohere Transcribe（cohere-transcribe-03-2026）は、Cohereが2026年3月26日に公開した20億パラメータの音声認識モデルで、同社初の音声モデルです。大型のConformerエンコーダーと軽量なTransformerデコーダーを組み合わせ、ゼロから学習されており、音声を受け取ってテキストを返すこと以外は何もしません。
対応言語は英語、フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語、ギリシャ語、オランダ語、ポーランド語、中国語、日本語、韓国語、ベトナム語、アラビア語の14言語で、その後アラビア語専用のチェックポイントも別途公開されました。重みはアクセス申請フォームの先にApache 2.0でHugging Faceに置かれ、Transformers 5.4.0以降と、OpenAI形式の文字起こしエンドポイントを提供するvLLM 0.19.0で動きます。Cohere自身のAPIではテスト用に無料で使え、Model Vaultでは専用インスタンスで提供されます。
Cohere Transcribe (03-2026)は使う価値があるか？
Cohere Transcribeの価値は、自前で動かせるサイズで英語の精度が高いことにあります。公開時のHugging Face Open ASR Leaderboardでは、英語の8つのテストセットで平均単語誤り率5.42%を記録して首位となり、Zoom Scribe v1 の5.47%、IBMのGranite 4.0 1Bの5.52%、Qwen3-ASR-1.7Bの5.76%、ElevenLabs Scribe v2の5.83%を上回りました。Whisper large-v3は7.44%でした。Cohereの計測ではRTFxは約525、つまり1分で525分の音声を処理します。
独立した評価はそれほど好意的ではありません。Artificial AnalysisはCohereのホスト版をAA-WER 4.6%とし、62件中43位タイでGroq上のWhisper large-v3-turboと並びます。一方、MistralのVoxtral Mini Transcribe 3は2.2%です。リーダーボードのテストセットはきれいな朗読や放送音声が中心で、Artificial Analysisはより難しい音声を含みます。この差は、このモデルが前者に強いのであって、全般的な首位ではないことを示しています。Cohere自身の人による選好テストでは平均61%の比較で勝ちましたが、ポルトガル語、ドイツ語、スペイン語では負けました。
このモデルの機能は一つだけです。ドキュメントには、タイムスタンプも話者ラベルも自動言語判定もないと明記されているため、ファイルごとに言語を指定する必要があり、言語が切り替わる音声の扱いは不安定です。また音声以外の音まで文字にしようとするため、Cohereは無音部分で単語をでっち上げないよう、前段に音声区間検出かノイズゲートを置くよう勧めています。
注意点：ホスト版は製品としてまだ未完成です。APIは無料ですが、トライアルキーでは文字起こしリクエストは毎分5件まで、本番の上限は営業への問い合わせが必要で、ファイルは25MBが上限、音声の保存期間についてドキュメントは何も述べていません。専用オプションのModel Vaultはインスタンス時間単位の課金ですが、価格は公開されていません。本番では事実上セルフホストすることになり、Apache 2.0ライセンスが それを容易にしています。
結論：Cohere Transcribeは、音声検出を前段に置き、言語を自分で指定し、アライメントと話者分離を別途用意するなら、自社GPUでの英語中心のバッチ処理に適した堅実な標準エンジンです。
真価を発揮する場面
四半期に数千件の決算説明会を扱うIR（投資家向け広報）プラットフォームのMLエンジニア
APIの分単位料金を払わずに英語の決算説明会を検索可能なテキストにする
自社GPU上でvLLMを使ってモデルを動かし、OpenAI形式の文字起こしエンドポイントにファイルを送ります。Cohere自身の例では55分の決算説明会を文字起こししています。Earnings-22での誤り率は10.84%なので、ティッカーや数字には独自の語彙での確認が引き続き必要です。
日本のメモアプリのプロダクトチーム
日本語と英語の音声入力を端末上またはプライベートクラウドで提供する
GGUF版またはmlx-audio版を使い、自動判定がないためセッションごとに言語を指定します。日本語は14言語の一つですが、モデルカードは言語が切り替わる音声で結果が不安定だと警告しており、日本語に英語が混ざる文が弱点です。
欧州の銀行のコンプライアンス責任者
録音した通話を米国の音声APIに送らずに文字起こしする
Apache 2.0でセルフホストして音声が銀行のインフラから出ないようにし、Cohere Transcribeは誰が話したかを示さないため、pyannoteのような別の話者分離モデルと組み合わせます。
導入前に確認すること
- 導入
- Hugging Faceでアクセス申請フォームに同意し、transformers 5.4.0以降をインストールして、言語コードを指定してCohereAsrForConditionalGenerationを読み込みます。サービングにはvllm 0.19.0とaudioオプションでvllm serveを使います。
- 連携
- Transformers、vLLM（OpenAI互換の/v1/audio/transcriptions）、mlx-audio、WebGPU対応のtransformers.js、コミュニティのGGUF版。ホスト利用にはCohere API、Model Vault、fal。
- データとプライバシー
- セルフホストなら音声はApache 2.0のもとで自社ハードウェアに留まります。CohereのTranscribeドキュメントはAPIに送った音声の保存期間を明記していません。Model Vaultはプライベートクラウドでの推論と説明されています。
- 大規模利用時のコスト
- 重みは無料で、Cohereによれば一般向けGPUで動きます。無料APIはトライアルキーで毎分5リクエストまで。本番APIの上限とModel Vaultのインスタンス時間料金は公開されていません。
- 制限
- 14言語、1リクエストにつき1言語。タイムスタンプ、話者分離、言語判定なし。APIは1ファイル25MBまで。長い音声は自動で分割して結合されます。音声区間検出がないと無音部分で幻覚を起こします。
良い点
- 平均WER 5.42%、公開時にOpen ASR Leaderboardで首位
- Apache 2.0、約2Bパラメータで、一般向けGPU 1枚で動作
- Cohereのテストで実時間の約525倍、vLLMでOpenAI形式のエンドポイントを提供
- アラビア語、日本語、ベトナム語を含む14言語に対応
気になる点
- タイムスタンプ、話者分離、言語判定がない
- Artificial AnalysisでAA-WER 4.6%、62件中43位
- 音声検出で遮らないと音声以外の雑音も文字にする
- トライアルAPIは毎分5リクエストまで、本番価格は見積もり制
- ポルトガル語、ドイツ語、スペイン語では人による選好テストで負けた
おすすめの人
主に英語の単一言語音声を大量に自社GPUで文字起こしし、すっきりしたライセンスを求めるチーム。
Cohere Transcribe (03-2026)の代替
Cohere Transcribe (03-2026)：よくある質問
- Cohere Transcribe (03-2026)は使う価値があるか？
- Cohere Transcribeは正確で緩やかなライセンスの英語向け文字起こしモデルですが、タイムスタンプ、話者ラベル、言語判定は自分で用意する必要があります。 評価は5点満点中4.0点です。
- Cohere Transcribe (03-2026)の料金は？
- Apache 2.0で無料（ダウンロードはアクセス制限あり）。CohereのAPIはテスト用に無料で、トライアルキーは毎分5リクエストまで。本番の上限とModel Vaultの時間料金は個別見積もりです。
- Cohere Transcribe (03-2026)の欠点は？
- タイムスタンプ、話者分離、言語判定がない; Artificial AnalysisでAA-WER 4.6%、62件中43位; 音声検出で遮らないと音声以外の雑音も文字にする; トライアルAPIは毎分5リクエストまで、本番価格は見積もり制; ポルトガル語、ドイツ語、スペイン語では人による選好テストで負けた.
- Cohere Transcribe (03-2026)は誰に向いているか？
- 主に英語の単一言語音声を大量に自社GPUで文字起こしし、すっきりしたライセンスを求めるチーム。
- チームや本番環境でCohere Transcribe (03-2026)を使うと費用はいくらか？
- 重みは無料で、Cohereによれば一般向けGPUで動きます。無料APIはトライアルキーで毎分5 リクエストまで。本番APIの上限とModel Vaultのインスタンス時間料金は公開されていません。
- Cohere Transcribe (03-2026)は企業データを扱っても安全か？
- セルフホストなら音声はApache 2.0のもとで自社ハードウェアに留まります。CohereのTranscribeドキュメントはAPIに送った音声の保存期間を明記していません。Model Vaultはプライベートクラウドでの推論と説明されています。
- Cohere Transcribe (03-2026)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3-ASR (1.7B and 0.6B), Granite Speech 5.0 2B, Parakeet TDT 0.6B v3, Whisper large-v3-turbo 、 Voxtral 3 (Transcribe and TTS)です。
回答確認日：2026年11月7日
Cohere Transcribe (03-2026)の開発元の方へ：この評価をサイトに掲載できます
